💰 quantitative finance

ForesightFlow: An Information Leakage Score Framework for Prediction Markets

Este artículo presenta ForesightFlow, un marco de puntuación de filtración de información para detectar el comercio informado en mercados de predicción, y propone una extensión anclada a plazos para abordar las limitaciones metodológicas reveladas por evaluaciones empíricas de marcas temporales de eventos públicos y casos documentados de comercio interno.

Autores originales: Maksym Nechepurenko

Publicado 2026-05-04

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Maksym Nechepurenko

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina una plaza pública global y digital donde las personas apuestan a eventos futuros: "¿Ganará este político?", "¿Lanzará esta empresa un nuevo producto?", "¿Estallará una guerra antes del viernes?". Esto es un mercado de predicción. En estos mercados, el precio de una apuesta actúa como un pronóstico del tiempo para el futuro. Si el precio de "Sí" sube, significa que la multitud considera más probable que el evento ocurra.

El artículo presenta una nueva herramienta llamada ForesightFlow, diseñada para detectar cuándo alguien está haciendo trampa en esta plaza pública.

El Problema: El "Informado" en la Multitud

En un mercado justo, todos se enteran de un evento al mismo tiempo. Pero en estos mercados digitales, debido a que son anónimos y operan sobre tecnología blockchain, es muy fácil que alguien con información secreta (un "informado") compre apuestas antes de que la noticia llegue al público.

Piénsalo como una carrera de caballos donde un jockey sabe que el caballo tiene una pierna rota antes de que comience la carrera. Compra un boleto en los otros caballos, espera a que empiece la carrera y luego cobra una ganancia masiva cuando el favorito colapsa. El artículo señala que en los últimos años, los informados han ganado cientos de millones de dólares de esta manera en plataformas como Polymarket.

El problema es que las formas actuales de atrapar a estos tramposos solo funcionan después de que termina la carrera. Para cuando sabemos quién hizo trampa, el dinero ya se ha ido y la "señal de precio" (la creencia del público) ya ha sido distorsionada. Necesitamos una forma de detectar al tramposo mientras está colocando sus apuestas.

La Solución: La "Puntuación de Fuga"

Los autores construyeron un sistema llamado ForesightFlow para actuar como un detector de humo en estos mercados. El núcleo de este sistema es una métrica llamada Puntuación de Fuga de Información (ILS).

Aquí está la analogía de cómo funciona:
Imagina que una película está a punto de estrenarse.

El Precio de Apertura: Cuando el mercado de apuestas se abre, el precio refleja lo que el público sabe ahora mismo.
El Evento Noticioso: El momento en que el tráiler de la película se lanza oficialmente al mundo.
La Resolución: El momento en que la película se estrena realmente y se liquida la apuesta.

La Puntuación de Fuga de Información plantea una pregunta simple: "¿Cuánto se movió el precio antes de que se lanzara el tráiler oficial?"

Puntuación de 0: El precio se mantuvo estable hasta que salió el tráiler. Este es un mercado justo; nadie sabía nada con antelación.
Puntuación de 1: El precio saltó hasta el nivel de "victoria" antes de que se lanzara siquiera el tráiler. Esto sugiere que alguien conocía el resultado y apostó sobre ello con antelación. La información "se filtró" antes de lo previsto.

Las Reglas de "Alcance": Sabiendo Cuándo Funciona la Puntuación

El artículo es muy cuidadoso al afirmar que esta puntuación no funciona para cada apuesta individual. Los autores encontraron tres reglas específicas donde la puntuación es fiable:

La Regla de la "Sorpresa": La puntuación solo funciona si el evento es realmente incierto. Si todos ya conocen la respuesta (por ejemplo, el precio es 99% "Sí" desde el inicio), un pequeño movimiento de precio parece enorme matemáticamente, pero es solo ruido, no trampa.
La Regla de "Fecha Límite" vs. "Evento": Este es un descubrimiento crucial en el artículo.
- Mercados de Eventos: "¿Ocurrirá X?" (por ejemplo, "¿Firmará el presidente una ley?"). La puntuación funciona bien aquí.
- Mercados de Fecha Límite: "¿Ocurrirá X antes del viernes?". Los autores descubrieron que la mayoría de los casos famosos de trampa ocurrieron en estos mercados de "Fecha Límite". La puntuación original no funcionaba para ellos porque la "noticia" es simplemente que el reloj se agota.
- La Solución: Los autores crearon una nueva versión de la puntuación (llamada Deadline-ILS) específicamente para estas apuestas de "¿Ocurrirá antes del viernes?". Esta nueva versión compara el precio con una "expectativa de referencia" en lugar de solo el precio de apertura.
La Verificación de "Billetera": La puntuación no es suficiente por sí sola. El sistema también verifica quién está apostando. Si una billetera totalmente nueva (creada hace 10 minutos) sin historial de repente invierte una gran cantidad de dinero en una apuesta específica justo antes de que estalle la noticia, eso es una señal de alerta. Si un trader experimentado con un largo historial lo hace, podría ser solo una suposición inteligente.

El Estudio Piloto: Lo Que Aprendieron

Los autores probaron su sistema con datos reales. Encontraron algunas cosas interesantes:

La Señal "Falsa": Cuando intentaron usar una suposición simple para "cuándo ocurrió la noticia" (en lugar de encontrar el artículo real), el sistema se confundió y marcó mercados inocentes como culpables. Esto les enseñó que necesitan encontrar el momento exacto en que se rompió la noticia para que la puntuación sea precisa.
La Brecha de "Fecha Límite": Se dieron cuenta de que su herramienta original no podía atrapar a los tramposos más famosos porque esos tramposos estaban apostando en mercados de "Fecha Límite". Esto los obligó a construir la nueva versión "Deadline-ILS".
El Caso "Barak": Examinaron un mercado específico sobre una figura política llamada Barak. Incluso con la puntuación perfecta, no pudieron probar que era trampa solo mirando el precio. Tuvieron que mirar las billeteras y la temporalidad para darse cuenta de que el movimiento del precio era en realidad gente discutiendo sobre las reglas de la apuesta, no personas con información secreta.

El Panorama General

El artículo concluye que atrapar a los tramposos en tiempo real es posible, pero requiere un conjunto de herramientas muy específico:

Una Puntuación: Para medir cuánto se movió el precio demasiado pronto.
Una Tipología: Para saber si la apuesta es un "Evento" o una "Fecha Límite" (y usar la matemática correcta).
Forense de Billeteras: Para ver si las personas que apuestan parecen informados (billeteras nuevas, apuestas enormes) o simplemente gente común.

Los autores han publicado su código y una lista de casos conocidos de trampa (el inventario "FFIC") para que otros puedan usar y mejorar este sistema. Su objetivo no es solo atrapar a los tramposos por lucro, sino asegurar que estos mercados de predicción sigan siendo herramientas confiables para el público, en lugar de campos de juego para personas con ventajas secretas.

A continuación se presenta un resumen técnico detallado del artículo "ForesightFlow: Un marco de puntuación de fuga de información para mercados de predicción".

1. Planteamiento del Problema

Los mercados de predicción descentralizados (por ejemplo, Polymarket) agregan información privada dispersa en señales de precios, pero operan en una zona gris regulatoria con participación pseudónima. Este entorno facilita el comercio informado basado en información material no pública (MNPI).

La Brecha: Los métodos de detección existentes (por ejemplo, Mitts & Ofir, 2026) son casi exclusivamente post-mortem, dependiendo de las ganancias realizadas y los resultados de resolución. No ofrecen ninguna señal accionable durante la ventana de negociación cuando el flujo informado está moviendo los precios.
El Desafío: La detección en tiempo real requiere características que sean causales (observables antes de la resolución) y etiquetas que no filtren información futura. Además, la estructura específica de muchos casos de comercio interior (contratos basados en plazos) no se ajusta a los modelos estándar de resolución de eventos.

2. Metodología: El Marco ForesightFlow

El artículo propone un sistema para detectar el flujo informado en tiempo real utilizando una combinación de teoría de la información, microestructura de mercado y forense en cadena.

A. La Puntuación de Fuga de Información (ILS)

La innovación central es la Puntuación de Fuga de Información (ILS), un generador de etiquetas escalares para mercados binarios resueltos.

Definición: $ILS(M) = \frac{\Delta_{pre}}{\Delta_{total}} = \frac{p(T_{news}) - p(T_{open})}{p(T_{resolve}) - p(T_{open})}$ $I L S (M) = \frac{Δ _{p r e}}{Δ _{t o t a l}} = \frac{p ( T _{n e w s} ) - p ( T _{o p e n} )}{p ( T _{r eso l v e} ) - p ( T _{o p e n} )}$
- $T_{open}$ : Creación del mercado.
- $T_{news}$ : Marca de tiempo de la primera mención pública del evento relevante para la resolución (recuperada mediante URLs de evidencia de UMA, GDELT o búsqueda asistida por LLM).
- $T_{resolve}$ : Hora formal de resolución.
- $p(t)$ : Precio medio del token "SÍ".
Interpretación: La ILS cuantifica la fracción del movimiento total del precio que ocurrió antes del evento de noticias público.
- $ILS \approx 1$ : Fijación de precios anticipatoria perfecta (fuerte fuga).
- $ILS \approx 0$ : El mercado reaccionó solo después de las noticias públicas.
Base Teórica: Los autores conectan la ILS con la descomposición de Murphy del puntaje Brier. Una ILS alta indica que el componente "Resolución" (poder discriminatorio) se adelantó antes de que el conjunto de información pública se pusiera al día.

B. Tipología de Resolución y Condiciones de Alcance

Los autores identifican que la ILS solo es interpretable bajo condiciones estrictas, lo que lleva a una clasificación de tres vías de los mercados:

Resuelto por Evento: Un evento observable específico desencadena la resolución (por ejemplo, resultados electorales). La ILS es válida aquí.
Resuelto por Plazo: El mercado resuelve como NO si un evento no ocurre para una fecha (por ejemplo, "¿Sucederá X para el viernes?"). La ILS estándar es inválida aquí porque $T_{news}$ no está definida o es trivial.
Inclasificable: Deportes, conteos, etc.

Condiciones de Alcance: Para evitar señales espurias, la ILS solo se reporta si:
- Verificación de Efecto de Borde: El precio de apertura no está cerca del consenso ( $p_{open} \in [0.1, 0.9]$ ).
- Verificación de Resolución Trivial: El movimiento total del precio $|\Delta_{total}| > 0.05$ .
- Sensibilidad al Ancla: El valor de la ILS debe ser robusto a través de diferentes especificaciones de ancla $T_{news}$ .

C. Pipeline de Características en Tiempo Real

Para detectar el flujo antes de la resolución, el sistema calcula un vector de características $x(M, t)$ que combina:

Medidas de Microestructura Adaptadas:
- Desequilibrio de Órdenes (OI): Ratios de volumen de compra/venta.
- Toxicidad estilo VPIN: Desequilibrio del flujo de órdenes sincronizado por volumen.
- Lambda de Kyle: Impacto estimado del precio por unidad de flujo de órdenes.
- Relación de Varianza y Bidireccionalidad: Diagnósticos para deriva persistente vs. ruido temporal (adaptado de Nechepurenko, 2026a).
Características de Billetera en Cadena:
- Puntuación de Novedad de Billetera: Un compuesto de la antigüedad de la billetera, historial de participación, concentración de la fuente de fondos y momento de entrada relativo a la resolución.
Priors Condicionales por Categoría: El sistema se centra en tres categorías de alto riesgo: Militar/Geopolítica, Divulgaciones Corporativas y Decisiones Regulatorias.

D. La Extensión Deadline-ILS

Un hallazgo crítico del estudio piloto fue que los casos documentados de comercio interior son predominantemente resueltos por plazo. El artículo extiende la ILS a este dominio:

Mecanismo: En lugar de anclarse a un evento de noticias, la puntuación se ancla a una creencia base bayesiana ( $\theta_{T_{open}}$ ) derivada de un modelo de supervivencia de hazard constante.
Fórmula: $ILS_{dl} = \frac{p(T_{event}^-) - \theta_{T_{open}}}{p(T_{resolve}) - \theta_{T_{open}}}$ .
Esto permite la detección de comerciantes informados que saben que un evento es inminente en un contrato "¿Sucederá X para la fecha Y?".

3. Contribuciones Clave

Reformulación: Desplaza el problema de la forense post-mortem a la inferencia en tiempo real, requiriendo características causales.
Métrica ILS: Introduce un generador de etiquetas fundamentado teóricamente vinculado a reglas de puntuación adecuadas (descomposición de Murphy).
Tipología y Alcance: Define límites operativos estrictos (Evento vs. Plazo) para prevenir falsos positivos, validados por datos empíricos.
Arquitectura Híbrida: Combina medidas clásicas de microestructura (PIN, VPIN) con características únicas de billeteras en cadena (novedad, concentración de fondos).
Inventario FFIC: Libera un conjunto de validación curado de 8 episodios documentados de comercio interior (por ejemplo, ataques a Irán, Año de Búsqueda de Google) mapeados a IDs de mercado específicos.
Extensión de Plazo: Formaliza la extensión del marco a contratos de plazo, abordando la brecha estructural en la literatura existente.

4. Resultados y Hallazgos Empíricos

El artículo reporta un estudio piloto empírico en 725 mercados resueltos por evento y una auditoría de validación del inventario FFIC.

Hallazgos Negativos del Piloto:
- El uso de un proxy anclado a la resolución ( $T_{resolve} - 24h$ ) para $T_{news}$ no logró separar los mercados informados de los controles.
- Razón: El proxy estaba estructuralmente desalineado. Para los mercados resueltos por evento, las noticias reales a menudo preceden a la resolución por días, lo que hace que la ventana "pre-noticias" sea en realidad "post-noticias".
- Sensibilidad del Ancla: Los valores de ILS fueron altamente sensibles a la elección del ancla de tiempo, fallando en la verificación de robustez.
Estudio de Caso (Mercado Barak):
- Una inmersión profunda en el mercado "Ehud Barak" mostró que, aunque una ILS basada en proxy fue alta (0.55), el uso de la marca de tiempo derivada del artículo (lanzamiento real de noticias) desplazó ligeramente la ILS pero reveló que las operaciones "tempranas" eran en realidad reactivas a noticias públicas o arbitraje de criterios de resolución, no a información privilegiada.
- Conclusión: La ILS por sí sola es insuficiente; debe combinarse con características a nivel de billetera (por ejemplo, identificar billeteras profesionales vs. nuevas) y verificaciones estrictas de alcance.
Auditoría Estructural:
- La auditoría del inventario FFIC reveló que el 100% de los casos de comercio interior documentados fueron resueltos por plazo, quedando fuera del alcance original de la ILS.
- Esto necessitó la extensión Deadline-ILS (Sección 7) para hacer que el marco sea aplicable a los patrones reales de comercio interior.

5. Significado y Trabajo Futuro

Bien Público: Proporciona la primera herramienta de vigilancia transparente, replicable y en tiempo real para mercados de predicción descentralizados, abordando la "paradoja de la autoridad" donde los mercados ganan credibilidad social mientras tienen microestructuras inmaduras.
Puente Metodológico: Conecta la literatura sobre reglas de puntuación adecuadas (precisión de pronósticos) con la forense de blockchain (detección de comercio informado).
Código Abierto: Los autores liberan el inventario ForesightFlow Insider Cases (FFIC), la tipología completa de resolución para 911.237 mercados y todo el código del sistema.
Próximos Pasos:
- Evaluación empírica completa de la Deadline-ILS en el clúster del conflicto EE. UU.–Irán de 2026 (informado en un artículo complementario).
- Entrenamiento del modelo detector en el conjunto de datos refinado y extendido por plazos.
- Abordar los límites de infraestructura (por ejemplo, fallos del indexer de The Graph para mercados de miles de millones de dólares).

Conclusión: ForesightFlow establece que el comercio informado en los mercados de predicción es detectable en tiempo real, pero solo si la metodología tiene en cuenta la tipología específica del contrato (plazo vs. evento), utiliza marcas de tiempo de noticias robustas e integra el comportamiento de billeteras en cadena con señales de microestructura. El marco mueve el campo del análisis retrospectivo de "quién lo hizo" a la vigilancia proactiva de la integridad del mercado.